Темы диссертаций по экономике » Математические и инструментальные методы экономики

Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках тема диссертации по экономике, полный текст автореферата



Автореферат



Ученая степень кандидат экономических наук
Автор Борздов, Сергей Юрьевич
Место защиты Ставрополь
Год 2010
Шифр ВАК РФ 08.00.13
Диссертация

Автореферат диссертации по теме "Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках"

На правах рукописи

БОРЗДОВ СЕРГЕИ ЮРЬЕВИЧ

РАЗВИТИЕ МЕТОДОВ ОЦЕНКИ И ПРОГНОЗИРОВАНИЯ ВОЛАТИЛЬНОСТИ КУРСОВ АКЦИЙ НА ФОНДОВЫХ РЫНКАХ

08.00.13 - Математические и инструментальные методы экономики

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук

2 2 ДПР 2010

Ставрополь-2010

Работа выпонена в ГОУ ВПО Ставропольский государственный университет

Научный руководитель доктор экономических наук, профессор

Королев Виталий Александрович

Официальные оппоненты: доктор экономических наук, профессор

Попова Елена Витальевна

кандидат экономических наук Король Александр Сергеевич

Ведущая организация Ставропольский государственный аграрный

университет

Защита состоится 27 апреля 2010 г. в 14.00 часов на заседании диссертационного совета ДМ 212.256.06 при Ставропольском государственном университете по адресу: 355009, Россия, г. Ставрополь, ул. Пушкина, 1.

С диссертацией можно ознакомиться в библиотеке Ставропольского государственного университета.

Автореферат разослан 26 марта 2010 г.

Учёный секретарь

РадченкоМВ.

Общая характеристика работы

Актуальность темы исследования. В условиях мирового финансового кризиса и увеличения требований к масштабам и темпам роста экономики для выхода из него, а также достижения прибыльности на российском рынке (в частности на рынке ценных бумаг) становятся актуальными вопросы планирования и принятия оперативных управленческих решений на основе прогнозирования.

Исследования обусловлены необходимостью развития нейросетевого прогнозирования волатилыюсти курсов акций, как нового инструментального метода, позволяющего повысить точность предсказания и воспроизводить чрезвычайно сложные зависимости. Кроме того, нейронные сети справляются с проклятием размерности, которое не позволяет моделировать линейные зависимости в случае большого числа переменных, что обуславливается необходимостью использования на практике новых технологий. Существенными составными частями, которых являются нейронные сети и генетические агоритмы, позволяющие прогнозировать структуру неоднородных временных рядов.

Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем - основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций, в том числе биржевых и небиржевых систем торговли ценными бумагами.

Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выпонение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм паралельной обработки данных. 11оэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование высокопроизводительных инструментальных средств, основанных на аппарате модулярной арифметики.

Таким образом, в связи с тем, что в рамках классического подхода не удается получить существенного улучшения качества прогнозирования курсов акций на фондовом рынке, актуальным является совершенствование методик прогноза волатильности курсов акций, применение и адаптация инструментальных средств нейросетевого прогнозирования, что и явилось предметом нашего диссертационного исследования

Степень изученности проблемы. Большой вклад в развитие методологии прогнозирования внесли такие ученые, как Д. М. Гвишиани и В. А. Лисичкин. Некоторые авторы, например Э. Яныч, X. Тейль, А. Апполов и другие пытались классифицировать известные прогнозы.

Теоретические основы нейроматематики были заложены в 1943 году У. Маккалохом и У. Питтсом, которые сформулировали основные положения нейротеории и разработали модель нейрона. Серьезное развитие нейрокибернети-ка получила в работах Ф. Розенблата, который в 1958 году он предложил свою модель нейронной сети. Новый виток быстрого развития моделей нейронных се-

тей связан с работами Амари, Андерсона, Карпентера, Кохена и особенно Хопфил-да, положившего начало современному математическому моделированию нейронных вычислений в 1982 году, в которых была сформулирована математическая модель ассоциативной памяти на нейронной сети с использованием правша Хеббиана для программирования сети. Развитием модели Хопфида для решения комбинаторных оптимизационных задач и задач искусственного интелекта является машина Больцмана, предложенная и исследованная Джефери Е. Хинтоном и Р. Земелом.

Среди отечественных ученых можно выделить Барцева С. И., Охони-на В. А.; Гольцева А. Д., Иванченко А. Г., Картавцева В. В., Куссуль В. М., Ма-саловича А. И., Минского М., Червякова Н.И. и др.

Существует потребность в дальнейшем изучении данной проблемы, необходимость совершенствования инструментария оценки прогнозных расчетов и разработки нового программного обеспечения, что обусловило выбор темы исследования, его объект, предмет, цель и задачи.

Соответствие темы диссертации требованиям паспорта специальностей ВАК. Диссертация выпонена в рамках специальности 08.00.13 - Математические и инструментальные методы экономики, в соответствии с паспортом специальности п. 2.1. Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления и п. 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интелекта при выработке управленческих решений.

Объектом исследования явились закономерности формирования, трансформации и динамики курсов акций на фондовых рынках.

Предметом исследования выступили в совокупности фундаментальный и технический анализ, как инструмент для принятия управленческих решений на основе прогнозирования курсов акций.

Цель диссертационного исследования заключается в выявлении фундаментальных факторов, влияющих на цен}' акций, а также повышении эффективности, надежности и практичности методов прогнозирования в результате использования нейронных сетей, как мощного самообучающегося инструмента для принятия инвестиционного решения.

Основные задачи исследования.

- описать природу, различные стороны и аспекты технического и фундаментального анализа;

- изучить теоретические особенности фундаментального и технического анализа;

- проанализировать фундаментальные факторы, влияющие на цену акций;

- изучить разнообразие методов технического анализа;

- провести обзор методов прогнозирования, выявить их достоинства и недостатки;

- исследовать финансово-экономическую структуру рыНка ценных бумаг;

- адаптировать инструментальные средства и программные агоритмы для прогнозирования волатилыюсти курсов акций на фондовых рынках;

- определить, типы и структуры нейронных сетей, используемых для прогнозирования динамики курсов акций. Оценить точность и качество прогнозов;

- сделать сравнительную оценку качества прогнозирования классических методов и основанных на нейронных сетях.

Теоретнко-методолопгоеская основа исследования. Теоретической и методологической основой являются принципы научного познания, научные достижения, отражённые в публикациях отечественных и зарубежных учёных в области экономики, оценки и анализа управления рынком ценных бумаг, а также прогнозирования неоднородных финансовых временных рядов.

В работе использованы методы логического, статистического, сравнительного анализа. Кроме общетеоретических методов исследования, в работе, для построения экономико-математических моделей, использованы методы оценки прогнозных расчетов, сценарного моделирования, факторного и графического анализа.

Информационно-эмпирическая база исследования включает данные динамики курсов акций российских компаний на ММВБ (Московской межбанковской валютной бирже), РТС. Нормативно-правовую базу диссертации составили Указы Президента РФ, постановления Правительства РФ, законодательные и нормативные документы и положения ФСФР (Федеральной службы по финансовым рынкам), регулирующие сферу финансовой деятельности на фондовом рынке, информационные ресурсы INTERNET, оригинальные материалы автора.

Концептуальная логика исследования заключается в том, что у инвестора есть два инструмента прогнозирования рынка ценных бумаг: технический и фундаментальный анализ, которые в совокупности являются мощным инструментарием для принятия инвестиционного решения. Фундаментальный анализ позволяет прогнозировать, когда рынок или отдельная акция переоценена или недооценена, а технический анализ, в свою очередь, позволяет предсказать рост, падение отдельной акции или всего индекса, вне его связи с остальными инструментами. Однако современные финансовые рынки меняются очень быстро, и технический анализ уже не позволяет в поной мере охватить основные характеристики рынка, что порождает необходимость поиска других, более современных подходов к анализу финансового рынка, способны находить оптимальные для данного инструмента индикаторы и строить по ним эффективную стратегию предсказания.

Рабочая гипотеза диссертационного исследования базируется на системе следующих взаимоувязанных теоретических положений, согласно которым рынки цепных бумаг непрерывно развиваются и представляют собой не окончательно сформированные и застывшие структуры, а постоянно развивающиеся организмы. Существующие методы прогнозирования курсов акций в недостаточной степени учитывают их волатильность, что позволило применить нейросетевую методологию, в основе которой заложена теория нелинейных адаптивных систем и нейронно-модулярный аппарат для решения задач предсказания финансовых временных рядов. На основании этого автор выносит на защиту ряд положений диссертации.

Основные положения диссертации, выносимые на защиту.

1. В диссертации исследованы методы фундаментального и технического анализа экономических параметров рынка ценных бумаг. Выявлено, что фундаментальный анализ изучает движение цен на макроэкономическом уровне и мо-

жет способствовать определению главного рыночного тренда, что зачастую бывает педостаточно. В этой области применяется технический айализ, основанный на следующей гипотезе Ч рыночные цены являются отражением желаний и действий всех участников рынка, в результате чего, цена и объём отражакУг каждую сдеку на рынке.

2. Суть противоречий между сторонниками технического и фундаментального анализа состоит в эффективности применения методов той или иной теории, что не совсем корректно, так как причины реакции рынка, изучаемые данными теориями, имеют разную природу и использование методов фундаментального анализа более целесообразно для определения догосрочной тенденции движения рынка и изучения внешних причин воздействия на него, а технического - для кратко и среднесрочных тенденций.

3. Для построения эффективной стратегии на финансовом рынке, необходимо учитывать его подчиненность определенным закономерностям. Если не известны статистические законы функционирования рынка, то невозможно получить достоверные прогнозы и, соответственно, заранее включать наиболее перспективные акции в инвестиционный портфель. Следовательно, необходимо разработать инструмент для получения достоверных прогнозов и использования их для выработки инвестиционных стратегий.

4. Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выпонение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм паралельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование инструментальных средств, основанных на аппарате модулярной арифметики.

5. Применительно к области финансов на основе теории хаоса впервые был разработан принципиально новый подход к анализу рынка, отличный от портфельной теории, которая скомпрометировала себя в финансовом кризисе 2008 года. Данный подход базируется на положении о том, что рынок представляет собой сложную нелинейную систему с обратной связью, а характер группового взаимодействия участников рынка порождает хаотическую динамику цеп вследствие спорадического использования инвесторами информационного потока и, как следствие, возникновение квазистохастических временных интервалов их действия на рынках.

Научная новизна исследования состоит в том, что были выявлены основные фундаментальные факторы, влияющие на цену акций и систематизированы методы технического анализа по критерию используемых индикаторов, а также усовершенствованна методика прогнозирования волатильности курсов акций на базе нейронных сетей и включает в себя следующие элементы приращения научного знания:

- исследована практика работы профессиональных участников рынка, на базе чего адаптирована методика управления активами, основанная на строгой формализации процедур принятия инвестиционных решений. Существенными составными частями таких технологий являются нейронные сети, позволяющие

прогнозировать поведение показателей финансовых рынков, как нелинейных динамических систем;

- предложена классификация методов прогнозирования для существенного улучшения качества прогнозирования и совершенствования методик прогноза курсов акций на фондовом рынке, сочетающая достоинства теории хаоса, нейронных сетей и модулярной арифметики;

- проведен анализ динамики курсов акций российских компаний, позволивший выявить факторы, влияющие на их волатилыгость и установить нецелесообразность применения процедуры перемешивания данных при обучении нейронных сетей;

- разработана и обучена многослойная нейронная сеть, входными данными для прогнозирования неоднородных временных рядов в которой, явились сигналы индикаторов технического анализа, что позволило повысить точность прогнозирования до 98%;

- выявлены недостатки нейросетевого прогнозирования, заключающиеся в невозможности оптимизации входного (обучающего и тестового) множества и архитектуры искусственной нейронной сети (ИНС), преодоление которых, позволило получить более точные прогнозы и готовые для практического применения финансовые стратегии;

- построена структурная модульная схема программного комплекса, использующего нейросетевые методы прогнозирования финансовых рынков. Технологическая цепочка предложенной системы состоит из: создания проекта (торговой системы, стратегии) и описания ее ключевых параметров - настраивания параметров модулей, связанных с процессом обучения нейроэкспертов и получения результатов - запуска процессов оптимизации торговой системы (проекта) -поиска оптимальной архитектуры нейронных сетей - генерирования сигналов-приказов на вход/выход (торговлю).

Теоретическая значимость исследования состоит в демонстрации необходимости пересмотра некоторых допущений, используемых в стандартных моделях зарубежной финансовой экономики при разработке технологий поддержки принятия решений по управлению портфелем ценных бумаг на нестабильных развивающихся финансовых рынках. Основные положения и выводы, содержащиеся в диссертации, могут быть использованы для дальнейшего развития методологии прогнозирования временных рядов в условиях резких изменений основных параметров внешней среды.

Практическая значимость исследования заключается в возможности применения выявленных фундаментальных факторов и методов аналитиками, непосредственно на российском рынке акций и состоит в том, что полученные результаты могут быть применены в процессе управления фондовыми портфелями операторов российского рынка. Целесообразность практического использования полученных решений подтверждена при помощи тестов, доказавших их эффективность, а в ряде случаев - превосходство над имеющимися аналогами.

Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на международных, всероссийских и межрегиональных научно-практических конференциях Проблемы развития мировых информационных ресурсов электронного бизнеса и инфотелекоммуникационных

систем и технологий (Ставрополь, СГУ, 2006 г.), Информационные системы, технологии и модели управления производством (Ставрополь, СГАУ, 2007 г.), Ломоносов - 2007 (Москва, МГУ, 2007 г.), Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство (Ставрополь, СГУ , 2007 г.), Экономика России в условиях глобализации и вступления в ВТО (Краснодар, 2007 г.). Проблемы управления экономикой в трансформируемом обществе (Пенза, 2007), Проблемы формирования и развития инновационного потенциала региона: опыт и перспективы (Ставрополь, СГУ, 2007 г.), Ломоносов - 2008 (Москва, МГУ, 2008 г.), Актуальные проблемы экономического развития Ставрополья (Ставрополь, СГУ, 2009 г.) и опубликованы в форме докладов и научных статей.

Публикации. По теме диссертации опубликовано 17 печатных работ общим объемом 3,2 п. л., в том числе автором: 2,1 п.л.

Объем и структура диссертационной работы. Работа состоит из введения, трех глав, списка используемых источников, заключения и приложений. Диссертация выпонена на 162 страницах основного текста, содержит 28 рисунков и 18 таблиц. Список использованных источников содержит 173 наименования отечественных и зарубежных авторов.

Структура диссертационной работы:

ВВЕДЕНИЕ

ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ РЫНКА ЦЕННЫХ БУМАГ

1.1 Основные принципы функционирования биржевых и внебиржевых торговых систем в России

1.2 Понятия и определения проблемы предсказания курсов акций 1.2. Классификация методов прогнозирования финансовых рынков

1.4. Использование систем с искусственной памятью для решения задач прогнозирования

ГЛАВА 2 АНАЛИЗ, ОЦЕНКА И МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННОЙ СТРАТЕГИИ НА РЫНКЕ ЦЕННЫХ БУМАГ

2.1 Предмет и методы фундаментального анализа

2.2 Технический анализ макроэкономической ситуации на рынке ценных бумаг

2.3 Моделирование и прогнозирование инвестиционной стратегии

ГЛАВА 3. ПРОГНОЗИРОВАНИЕ ВОЛАТИЛЬНОСТИ КУРСОВ АКЦИЙ НА НЕЙРОННЫХ СЕТЯХ

3.1 Исследование динамики курсов акций Ростелеком, Лукойл и Сбербанк в модуле STATISTICA Neural Networks

3.2 Адаптация программных нейросетевых пакетов

3.3 Обучение систем с искусственной памятью для решения задач прогнозирования волатильности курсов акций

3.4 Анализ результатов и методов повышения качества предсказаний ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ПРИЛОЖЕНИЯ

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Современный глобальный финансовый кризис, явися следствием, вначале ипотечного, а затем и банковского скандалов в США и потом во всем мире. Мировая экономика претерпела серьезные трансформации в развитии интеграционных процессов на товарных и финансовых рынках. Институциональные реформы в России, также привели к формированию, хоть и непоноценной, но реально функционирующей классической системе многоуровневой экономики, которая состоит из бюджетного финансирования, системы банковского кредитования и прямых инвестиций через механизмы рынка капиталов. В диссертации нами проанализировано функционирование рынка ценных бумаг на ММВБ и РТС. Выявлено, что отношения регламентируются нормативными актами Правительства РФ, Министерства финансов РФ, Банка России, а также договорами между инфраструктурными организациями организованного рынка ценных бумаг и его участниками и схематично данный рынок можно представить на рис. 1.

(1.11) Расчетная

палата

(РЦ 0PUE)

Рисунок 1 - Структурно-логическая схема функционирования рынка ценных бумаг

Функционирование финансовых рынков оценивается индексами фондового рынка, или фондовыми индексами, то есть обобщающими показателями изменения во времени определенной совокупности курсов акций компаний на фондовых биржах, рассчитываемыми по установленным правилам. Наиболее известные фондовые индексы мира, по которым заключаются фьючерсные контракты: Стандард энд Пурз 500 (Standard & Poors (S&P 500) Ч индекс акций 500 компаний США, в том числе: 400 Ч промышленных, 20 Ч финансовых, 40 Ч коммунальных (энергетических), взвешенных по их рыночной стоимости; ФТСЕ-

100 (FT-SE-100) Ч индекс акций 100 компаний Великобритании; Дакс (ДАХ) Ч фондовый индекс Германии; САС-40 (САС-40) ЧХ фондовый индекс Франции; НИККЕЙ-225 (NIKKEI-225) Ч фондовый индекс Японии.

В диссертации исследованы существующие методы фундаментального и технического анализа фондовых индексов и показателей. Выявлено, что фундаментальный анализ применяют для изучения движения цен на макроэкономическом уровне, что может способствовать определению рыночного тренда и выбору инвестиционной стратегии на догосрочную перспективу. Технический анализ используется для определения конкретного момента входа или выхода на рынок и выбора краткосрочной стратегии. Технический анализ подразделяется на два метода: графический и математический - компьютерный анализ.

Автором сделан вывод о том, что существующие методы прогнозирования курсов акций в недостаточной степени учитывают их волатильность, что позволило применить нейронно-модулярный аппарат.

Рассмотренный в диссертации подход к реализации задач прогнозирования на нейронных сетях, позволяет нам получить ряд существенных преимуществ, связанных с масштабированием входных данных. Во-первых, нейросе-тевой анализ не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. В следствие чего, нейросе-ти активно используют именно институциональные инвесторы (например, крупные пенсионные и страховые фонды), работающие с большими портфелями ценных бумаг. Во-вторых, нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним эффективную стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых активно развивающихся рынков, в частности, российского.

Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм паралельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях (НС) предлагается использование аппарата модулярной арифметики.

Системы, базирующиеся па искусственных нейронных сетях (ИНС) в последние годы все активнее используются для прогнозирования финансовых рынков. Отличительной особенностью этого подхода является возможность самообучения системы, что особенно важно для трудноформализуемых задач. Благодаря возможности работы с зашумленными данными, она получается гибкой и, хотя обычно не решает задачу со 100%-ной точностью, может принести значительную прибыль для приложений финансовой сферы. Интелектуальные системы на основе искусственных нейронных сетей позволяют с успехом решать задачи прогнозирования финансовых временных рядов. Известны и иные, более традиционные подходы к решению этой проблемы, такие как классический технический анализ, анализ фундаментальных факторов, регрессионный и корреляционный анализ и т.п., однако они не обладают необходимой гибкостью за пределами ограниченных условий. Искусственные нейронные сети дают многообещающие альтернативные решения.

Математическая модель нейрона - это несложный автомат, преобразующий входные сигналы в выходной сигнал (рис. 2). Сигналы силых;, х2,хД, поступая на синапсы, преобразуются линейным образом, т.е. к телу нейрона поступают сигналы сшш и'/*х;, ..., м>Д*хД (здесь Ч веса соответствующих синапсов).

Входы Синапсы

1 Ячейка

нейрона

Аксон Выход Y

Рисунок 2- Математическая модель нейрона

Для удобства к нейрону добавляют еще один вход (и еще один вес w0), считая, что на этот вход всегда подается сигнал силы 1. В теле нейрона происходит суммирование сигналов:

= (1.1)

Затем применяют к сумме некоторую фиксированную функцию / и нейрон выдает на выходе сигнал силы Y =f(S).

Эта модель была предложена Маккалоком и Питтсом еще в 1943 г. В 1960 г. на основе таких нейронов Розенблатт построил первый в мире автомат для распознавания изображений букв, который был назван "перцептрон" (perception Ч восприятие). Этот автомат имел очень простую однослойную структуру и мог решать только относительно простые (линейные) задачи. С тех пор были изучены и более сложные системы из нейронов, использующие в качестве передаточных любые непрерывные функции. Простейшую ИНС можно представить в виде одного слоя нейронов, соединенных между собой, как показано на рисунке 3.

Рисунок 3- Простейшая нейросеть из трех нейронов

Основополагающие принципы нейрокомпьютинга - это родовые черты, объединяющие принципы работы и обучения всех нейрокомпьютеров. Главное, что их объединяет - нацеленность на обработку образов. Б диссертации нами сформулированы эти парадигмы в концентрированном виде безотносительно к биологическим прототипам, как способы обработки данных.

Отличительной чертой нейросетей является глобальность связей. Базовые элементы искусственных нейросетей - формальные нейроны, изначально нацелены на работу с широкополосной информацией. Каждый нейрон сети, как правило, связан со всеми нейронами предыдущего слоя обработки данных (рис. 4), илюстрирующий наиболее широко распространенную в современных приложениях архитектуру многослойного персептрона.

Таким образом, одна и та же структура связей нейросети эффективно используется и для функционирования, и для обучения нейросети. Такая структура позволяет вычислять градиент целевой функции почти так же быстро, как и саму функцию. Причем вычисления в обоих случаях распределенные - каждый нейрон производит вычисления по мере поступления к нему сигналов от входов или от выходов.

Сегодня разработано большое количество программных продуктов, пригодных для применения там, где возникает необходимость использования технологии нейровычислений. Существует класс нейросетевых программных продуктов, предназначенных исключительно для решения задач прогнозирования временных рядов. Эти продукты ориентированы на финансовых работников - трейдеров, биржевых аналитиков. К таким программным продуктам относятся: Neuro Builder 2001, NeuroShell Day Trader, BioComp Profit, NeuroScalp.

Наиболее популярные сегодня в России следующие программные продукты, реализующие нейросетевые подходы к решению задач прогнозирования: Brain Maker Professional, NeuroShell Day Trader, Neuro Builder 2001.

В диссертации был использован пакет Statistica - мощнейшее обеспечение для анализа данных и поиска статистических закономерностей. В данном пакете работа с нейросетями представлена в модуле STATISTICA Neural Networks (сокращенно, ST Neural Networks, нейронно-сетевой пакет фирмы StatSoft) , представляющий собой реализацию всего набора нейросетевых методов анализа данных.

i i\ / v

Рисунок 4 - Глобальность связей в искусственных нейросетях

В нейронной сети многочисленные факторы взаимодействуют весьма сложным образом. Типичная последовательность действий при решении задачи прогнозирования финансовых показателей с помощью нейронных сетей показана на рис. 5.

1. Определение временного интервала. Формирование базы данных.

2. Определение входи гнозируемых величин. 11ред ых величин. Определение про-варительная обработка данных

3. Формирование входных множеств (обучающего, тестового)

4. Выбор архитектуры нейросетей

5. Обучение нейросетей

6. Адаптивное предска зание и принятие решений

Рисунок 5 - Блок-схема технологического цикла предсказаний рыночных

В качестве поступающих на входы ИНС данных могут выступать как приращения цен одного типа, например цен закрытия, так и комбинации приращений разных типов цен в пределах одного временного интервала. Такая постановка задачи имеет смысл, если пытаться найти зависимость на основе небольшого окна. На рис. 6 показана процедура формирования входного образа для задачи с окном 3 периода.

временных рядов на основе нейросетей

Рисунок 6 - Нейросетевой анализ ляпонских свечей 13

В качестве входных данных выступают приращешш максимальных, мини-, мальных цен и цен закрытия периода. Такой подход к прогнозированию можно рассматривать как нейросетевой аналог анализа ляпонских свечей, поскольку прослеживается прямая аналогия с попытками некоторых трейдеров найти закономерности в комбинациях последних свечей, образовавшихся на графике. Необходимо отметить, что в выборку следует отбирать наиболее значимую комбинацию технических индикаторов, которую и предлагается затем использовать в качестве входов нейросети. Решить задачу выбора необходимых индикаторов можно при помощи оптимизационных методов и тех же нейронных сетей.

Абсолютное большинство трейдеров при прогнозировании финансовых рынков используют технический анализ (ТА). Одним из наиболее популярных разделов которого, является анализ при помощи индикаторов. Даже если торговая система трейдера пе основана на индикаторах, он все равно использует 3-5 дежурных сигнальщиков в своей работе. Не существует индикатора, который бы со 100% уверенностью выдавал сигналы на вход в рынок и выход из него, так как индикаторы просто представляют текущую рыночную ситуацию в удобном виде и не позволяют однозначно сказать, что будет в будущем.

В диссертации перед нами стояла задача, разработать индикатор, которому можно было бы доверять больше чем, например, таким популярным индикаторам как RSI или Stochastic, который бы решал задачу прогнозирования волатильности курса акции. Для примера были исследованы наиболее популярные голубые фишки: акции Ростелекома, Лукойла и Сбербанка^Базой для формирования входной информации явилась: часовая динамика курса акций за январь 2010 года и приращение цен закрытия за последние 24 часа. Выходная информация: обученная многослойная нейронная сеть.

Обучение каждой сети производилось до тех пор, пока MSE(Mean Squared Error) не переставала заметно уменьшаться. MSE - среднеквадратическая ошибка значений, формирующихся на выходах ЙНС, рассчитываемая в процессе обучения с учителем - один из самых распространенных критериев качества обучения нейросетей. В табл. 1 представлены результаты обучения 10-ти ИНС.

Таблица 1 - Характеристики иейросетей, задействованных в эксперименте

Сеть Конфигурация MSE - среднеквадратическая ошибка Процент верно распознаваемых образов, %

EUR1 (24-36-1) 0.2856 30,00

EUR2 (24-40-1) 0.2915 28,53

EUR3 (24-36-1) 0.2810 28,70

EUR4 (24-49-1) 0.2620 35,04

EUR5 (24-42-1) 0.2650 34,70

EUR6 (24-24-1) 0.2824 27,93

EUR7 (24-28-1) 0.2770 29,36

EUR8 (24-47-1) 0.2680 33,70

EUR9 (24-47-1) 0.2528 36,40

EUR10 (24-48-1) 0.2600 35,12

Нейронные сети не научились однозначно распознать хотя бы половину образов, и, кроме того, на одном и том же обучающем множестве показали разные результаты. Этот факт наглядно илюстрирует эффект локальных минимумов и первоначальной точки при обучении методом градиентного спуска (обратного распространения ошибки).

Современные методы обучения многослойных ИНС подразумевают формирование первоначальных значений весов случайным образом и дальнейший пошаговый поиск экстремумов функции невязки. В этой связи, предсказания сетей, обученных на одной и той же выборке, в большинстве случаев, будут отличаться. Для преодоления этого недостатка (элемента неопределенности) в диссертации предложено организовать комитет нейро-экспергов, состоящий из нескольких ИНС. Разброс в предсказаниях экспертов позволяет получить представление качестве получаемых прогнозов, что можно использовать для правильного выбора стратегии игры.

Среднее значение комитета дожно давать лучшие предсказания, чем средний эксперт из этого же комитета, причем, снижение ошибки может быть довольно заметным. 11оэтому, в предсказаниях всегда лучше опираться на средние значения всего комитета. Таким образом, такой подход может существенно повысить качество прогнозирования.

В качестве результирующего прогнозируемого значения мы воспользовались взвешенной средней мнений сетей - экспертов. В качестве оценки степени обученности нейросети, воспользовались коэффициентом корреляции выходов сети и лидеальных значений из обучающего множества: чем больше коэффициент корреляции, тем больше выходные значения сети совпадают с лидеальными. Из таблицы 1 видно, что хуже обученные сети характеризуются меньшими значениями коэффициента корреляции. В результате, они вносят меньший вклад в общее мнение и не искажают предсказания.

Полученное среднее мнение комитета можно использовать для построения индикатора. Значения среднего мнения комитета, стремится к нижней границе оптимальных значений, колеблется с малой амплитудой около своего среднего значения. Кроме того можно увидеть, что значения характеризуются шумом (испытывают резкие смены направлений), который затрудняет использование индикатора. Все вышесказанное наглядно демонстрирует график среднего мнения (рис. 7). Полученный индикатор изображен красной линией. Интерпретировать его сигналы можно следующим образом: при приближении индикатора к верхней границе интервала необходимо покупать, при приближении индикатора к нижней границе интервала необходимо продавать.

Курс акций Сбербанка на протяжении 2009 г. колебася, и уже на стадии формирования обучающей выборки было выдвинуто предположение о том, что нейросети с большей достоверностью научатся прогнозировать продажу. Значения по оси абсцисс, лежащие в интервале [0;0.2], могут быть рассмотрены как потенциальные продажные сигналы, а в интервале [0.8;1] - как покупочные. Облако в области потенциальных сигналов на продажу более концентрировано по оси ординат, а значит, сигналы на продажу дожны быть более точными. Средняя погрешность прогноза в январе 2010 составила 0.2333.

1.050 . и

I - 1.035

7 1.030

Веохняя гоанииа интеовала - покупка

'Wtf\: о* I I

Г 0.8 g Г 0.7 О г 0.6 я С

|б '' 'oh 1 111117 ' 'osh 'l3h " |э ' 'o7h ' " " lio Wh 'l5h 1 |l'l'' 'o'g'h '7h |12 '07h ' 'f Дата и время котировки акции

Рисунок 7 - Графики среднего мнения комитета нейроэкспертов (синяя линия) и индикатора комитета (красная линия)

Следующим этапом в анализе качества полученных результатов явилось построение простейшей торговой системы, базирующейся на основе полученного индикатора, и моделирование торговли по ней на рынке.

Под простейшей торговой системой будем понимать систему, выдающую сигналы на открытие позиции (длинной и короткой) и закрытие позиции. Такую систему можно смоделировать, используя модуль System Tester пакета для технического анализа Equis MetaStock.

System Tester позволяет подобрать для индикаторов оптимальные уровни, при пересечении которых возникает сигнал на открытие или закрытие позиции. По результатам нескольких тестов значимые уровни были расставлены следующим образом (рис. 8):

а) 0.3 - пересечение индикатором этого уровня сверху вниз будем интерпретировать как сигнал на "продажу";

б) 0:7 - пересечение индикатором этого уровня снизу вверх будем интерпретировать как сигнал на "покупку".

Такую стратегию можно интерпретировать следующим образом: закрываем одну позицию, открываем другую в обратном направлении. При пересечении значимых уровней (рис. 8, синие горизонтальные линии) моделируются сигналы на покупку или продажу. График сигналов, используемых при обучении (сглаженный MLP), построен на рисунке синей линией. Из графика видно, как индикатор пытается повторить идеальный сигнал. Обучение комитета нейро-экспертов проводилось по данным 2009 года.

Испхняя ггаииш интеовал:

- 1 .055 7 1.U5U 1 14S Г 1.040 Г 1-U3S 1 ГПП

<3 о Р.

ч о D. С

а S

'ида'1" | \/' 'ubh 'i an " |а' 'un' " " hu 'u/n 'тьп' |n ' 'uyn 'wh 'u/n "мп \ \ Дата и время котировки акции

Рисунок 8 - Пример применения индикатора (красная линия)

Торгуя по такой системе в январе 2010 года на рынке акциями Сбербанка, можно было заработать 488 пунктов (или 4,8 фигуры на лексиконе трейдеров), что составляет 57% годовых (12*4,8) для немаржинальной торговли (рис. 9). Стреками на графике отмечены моменты открытия и закрытия позиций (длинных и коротких соответственно), внизу красной линией изображен индикатор.

0.05 П (14 0.03 0.02 ПП1

1.03 1.02 1.01 1.00 0.99 0.98 0.97

2009 567 8 9 10 11 12 13 14 15 16 1 7 18 19 20 21 22 23 24 25 26 27 28 29

Дата котагоовки акиии

Рисунок 9 - Результат торговли в январе 2010 г. на рынке акций Сбербанка (красная линия вверху)

Как правило, торговые системы практикующих трейдеров гораздо более сложные и строятся на большом числе элементов. Однако, предложенная система обладает потенциалом усовершенствования с точки зрения надежности и прибыльности. Точность прогнозирования можно повысить, если при разработке нейросетевого индикатора в качестве входных данных использовать сигналы индикаторов технического анализа (ТА). Очевидные достоинства применения входных данных такого рода описаны выше.

По результатам проведенного исследования нами выявлены также недостатки нейросетевого прогнозирования, преодоление которых, позволит получить более точные прогнозы и разработать готовые для практического применения финансовые стратегии.

Во-первых, выбранный подход формирования входного (обучающего и тестового) множества не предусматривал оптимизации. Выбор иного, более продуктивного подхода к формированию входного множества, вносит в модели прогнозирования потенциал улучшения результатов. Известно, например, что последние данные более значимы для обучения. Кроме того, финансовые ряды сильно зашумлены, особенно на коротких промежутках времени (внутридневных котировках), что затрудняет обучение и определение правил торговли. Плохая обучаемость нейросетей в задачах прогнозирования может быть вызвана также внутренней противоречивостью данных в обучающем множестве. Необходима методика тщательного отбора образов, которая на момент выпонения опытов не была известна.

Во-вторых, архитектура нейросетей (количество и структура слоев), используемых в рассматриваемых опытах, задавалась исходя из эмпирических соображений, в то время, как в рамках прогнозирования на основе ИНС, может быть поставлена задача оптимизации архитектуры ИНС под конкретное обучающее множество. Включение данного этапа в процесс решения задачи прогноза временного ряда, может существенно повысить его качество.

В-третьих, чтобы эффективно предсказывать финансовые рынки внутри дня, необходимо использовать самые передовые методы обучения ИНС, например генетические агоритмы, что не представлялось возможным в виду отсутствия необходимого программного обеспечения.

В-четвертых, для улучшения качества прогнозов, задача формирования комитета нейроэкспертов может быть расширена путем разбивки на несколько этапов. В итоге, в комитет включаются только лучшие, обеспечивающие наиболее точные прогнозы.

Рассмотренные в исследовании недостатки нивелируются при построении структурной модульной схемы программного комплекса, использующего нейро-сетевые методы прогнозирования финансовых рынков.

Технологическая цепочка работы с предложенной системой представлена в диссертации.

На первом шаге пользователь создает проект (торговую систему, стратегию), при помощи встроенных возможностей описывает ее, устанавливает ключевые параметры. В тех местах, где в системе предполагается использовать прогнозы нейронных сетей, настраиваются модели прогнозирования.

На втором этапе для каждой модели настраиваются параметры модулей, связанных с процессом обучения нейроэкспертов и получения результатов: какие

данные требуются, где они могут быть найдены, шаблоны преобразования входных и выходных величин, параметры агоритма обучения, настройки оптимизации модели и т.п. На этом этапе пользователь может также сам участвовать в создании базы данных с финансовыми показателями..

После установления всех параметров торговой системы, ей может быть отдан сигнал, на запуск процессов оптимизации торговой системы (проекта), поиска оптимальной архитектуры нейронных сетей и обучения нейэкспертов. Прогнозирующая система способна в автоматическом режиме осуществлять эти процессы. Обучение нейроэкспертов, самый критичный по времени процесс, может протекать в фоновом режиме постоянно, т.е. возобновляться каждый раз при включении компьютера. Чем больше система обучит нейроэкспертов, тем больше возможностей выбора появляется у нее при формировании комитетов.

После обучения достаточного для формирования комитетов нейроэкспертов, прогнозирующая система сможет генерировать сигналы, которые можно рассматривать как непосредственные приказы на торговлю. Можно предусмотреть несколько способов подачи сигнала на торговлю, например, через интерфейс пользователя - посредством сообщений, аудио и видеоэффектов, через локальные сети и Интернет - посредством сервиса ICQ, передачи сообщения на пейджер или мобильный телефон, а также передачи непосредственного приказа брокеру.

Благодаря такому подходу к организации диалога, пользователь вообще освобождается от необходимости следить за рынком, а сосредоточиться на проектировании и разработке новых торговых стратегий (проектов). По мнению экспертов, такой подход к организации торговли на финансовых рынках является оптимальным.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ:

Научные статьи, опубликованные в изданиях, рекомендованных ВАК:

1. Королев В.А., Борздов С.Ю. Методические подходы к оценке реализуемости инвестиционного проекта на фондовом рынке. Вестник Ставропольского государственного университета, выпуск 47, часть 1. - Ставрополь: Изд-во СГУ, 2006. - 0,4 п.л., в т.ч. авт. 0,2 п.л.

2. Королев В.А., Борздов С.Ю. Построение стохастической модели анализа фондового рынка. Экономический анализ: теория и практика, № 1 (82), 2007. -0,4 п.л., в т.ч. авт. 0,2 п.л.

Статьи в сборниках и научных журналах:

3. Королев В.А., Борздов С.Ю., Кочергин С.Г. Прогнозная оценка акций Сбербанка на фондовом рынке. Проблемы развития мировых информационных ресурсов, электронного бизнеса, инфотелекоммуникационных систем и технологий в экономике: материалы Всероссийской научно-практической конференции.-Ставрополь: Изд-во СГУ, 2005,- 0,2 п.л., в т.ч. авт. 0,1 п.л.

4. Королев В.А., Борздов С.Ю., 1'лазкова И.Ю. Моделирование инновационной деятельности в условиях российской экономики. Проблемы развития мировых информационных ресурсов, электронного бизнеса, инфотелекоммуникаци-онных систем и технологий в экономике: материалы Всероссийской научно-практической конференции,- Ставрополь: Изд-во СГУ, 2005.- 0,2 п.л., в т.ч. авт. 0,1 п.л.

5. Королев В.А., Борздов С.Ю. Аначиз и совершенствование современных методов оценки рисков и неопределенности инвестиционных проектов. Российский экономический журнал, № 2, 2006,- 0,4 п.л., в т.ч. авт. 0,2 п.л.

6. Королев B.., Борздов С.Ю., Брежнева И.Б. Методы оценки рисков инвестиционных проектов по модернизации промышленных технологий. Информационные системы, технологии и модели управления производством: сборник научных статей по материалам 3-й Международной научно-практической конференции. - Ставрополь: АРГУС, 2007. - 0,2 п л., в т.ч. авт. 0,1 п.л.

7. Борздов С.Ю. Проблемы оценки рисков и неопределенности математическими методами исследования: материалы XLV Международной конференции студентов, аспирантов и молодых ученых Ломоносов. Том IV. - М.: Издательство МГУ, ИТК Ишков и Ко, 2007. -0,1 п.л.

8. Борздов С.Ю. Применение аналитических и имитационных моделей в инвестиционном проектировании: сборник научных трудов всероссийского симпозиума Математические модели и информационные технологии в экономике, том 1. - Кисловодск, 2007. - 0.2 п.л.

9. Королев В.А., Борздов С.Ю. Многовариантный анализ рисков инвестиционных проектов. Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство: материалы 52-й научно-методической конференции Университетская наука - регион}'. - Ставрополь: Изд-во СГУ, 2007. -0,2 п.л., в т.ч. авт. 0,1 п.л.

10. Борздов С.Ю. Нейросетевое прогнозирование курсов акций на фондовом рынке. Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство: материалы 53-й научно-методической конференции Университетская наука - региону. - Ставрополь: Изд-во СГУ, 2008. -0,1 п.л.

11. Борздов С.Ю. Виды экономических циклон и их воздействие на производство товаров длительного и кратковременного пользования. Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство: материалы 53-й научно-методической конференции Университетская наука -региону. - Ставрополь: Изд-во СГУ, 2008. - 0,1 п.л.

12. Борздов С.Ю. Параметры влияния экономических циклов на различные отрасли экономики государства. Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство: материалы 53-й научно-методической конференции Университетская наука - региону. - Ставрополь: Изд-во СГУ, 2008.-0,1 п.л.

13. Королев В .А., Борздов С.Ю. Прогнозная модель формирования доходной базы фондового рынка. Актуальные проблемы экономического развития Ставрополья: материалы научно-практической конференции посвященной 15-тилетию экономического факультета. - Ставрополь: Изд-во СГУ, 2009. - 0,2 пл., в т.ч. авт. ОД п.л.

14. Ьорздов С.Ю. Применение математических методов и моделей в экономике. Актуальные проблемы экономического развития Ставрополья: материалы научно-практической конференции посвященной 15-тилетию экономического факультета. - Ставрополь: Изд-во СГУ, 2009. - 0,1 п.л.

15. Борздов С.Ю. Моделирование и прогнозирование волатильности курсов акций. Актуальные проблемы экономического развития Ставрополья: материалы научно-практической конференции посвяхценной 15-тилетию экономического факультет. - Ставрополь: Изд-во СГУ, 2009. -0,1 п.л.

16. Борздов С.Ю. Индикаторы технического анализа фондового рынка. Актуальные проблемы экономического развития Ставрополья: материалы научно-практической конференции посвященной 15-тилетшо экономического факультета. - Ставрополь: Изд-во СГУ, 2009. - 0,1 п.л.

17. Борздов С.Ю. Нейросетевое прогнозирование курсов акций на фондовом рынке. Актуальные проблемы экономического развития Ставрополья: материалы научно-практической конференции посвященной 15-тилетию экономического факультета. - Ставрополь: Изд-во СГУ, 2009. - 0,1 п.л.

Формат 60x84 1/16. Гарнитура Times New Roman. Бумага офсетная. Уч. печ. л. 1,4. Тираж 100 экз. Заказ № 105.

Отпечатано в ООО Сгавропольбланкиздат 355035,1 . Ставрополь, пр. Октябрьской революции 32, тел: 26-70-47

Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Борздов, Сергей Юрьевич

ВВЕДЕНИЕ.

ГЛАВА 1 ТЕОРЕТИЧЕСКИЕ И МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ ПРОГНОЗИРОВАНИЯ РЫНКА ЦЕННЫХ БУМАГ.

1.1 Основные принципы функционирования биржевых и внебиржевых торговых систем в России.

1.2 Понятия и определения проблемы предсказания курсов акций.

1.3. Классификация методов прогнозирования финансовых рынков.

1.4. Использование систем с искусственной памятью для решения задач прогнозирования.

ГЛАВА 2 АНАЛИЗ, ОЦЕНКА И МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННОЙ СТРАТЕГИИ НА РЫНКЕ ЦЕННЫХ БУМАГ.

2.1 Предмет и методы фундаментального анализа.;.

2.2 Технический анализ макроэкономической ситуации на рынке ценных бумаг.

2.3 Моделирование и прогнозирование инвестиционной стратегии.

ГЛАВА 3. ПРОГНОЗИРОВАНИЕ ВОЛАТИЛЬНОСТИ КУРСОВ АКЦИЙ НА НЕЙРОННЫХ СЕТЯХ.

3.1 Исследование динамики курсов акций Ростелеком, Лукойл и Сбербанк в модуле STATISTICA Neural Networks.

3.2 Адаптация программных нейросетевых пакетов.

3.3 Обучение систем с искусственной памятью для решения задач прогнозирования волатильности курсов акций.

3.4 Анализ результатов и методов повышения качества предсказаний.

Диссертация: введение по экономике, на тему "Развитие методов оценки и прогнозирования волатильности курсов акций на фондовых рынках"

В результате глубоких институциональных реформ Россия, встав в начале 1990-х на путь формирования цивилизованной экономики рыночного типа, добилась к настоящему времени поразительных результатов. Несмотря на достаточно хаотическое развитие рынка в течение этого времени, на данном этапе уже сформировалась, хотя и непоноценная, но реально функционирующая классическая система трехуровневого финансирования экономики. Такая система, как известно, состоит из бюджетного финансирования, системы банковского кредитования и прямых инвестиций через механизмы рынка капиталов. При этом, системе прямого инвестирования следует уделить наибольшее внимание, так как первые две составляющие ограничены. Ресурсы государственного бюджета предельны исходя из самой сущности его формирования; бюджетное финансирование не дожно и не может служить основным источником средств для развития экономики. Банковская система в этом смысле и более мобильна, и обладает большим потенциалом, однако, несмотря на огромные аккумулированные банками средства, даже их недостаточно для поноценного финансирования всего рыночного механизма. И только механизмы прямого и косвенного инвестирования с их поистине бескрайнем потенциалом могут выступить в качестве силы, двигающей развитие различных структур, действующих на рынке, а следовательно и всей российской экономики. Но механизмы такого инвестирования могут заработать в поной мере только при условии хорошо организованной и защищенной от нерыночных рисков инфраструктуры фондового рынка, являющегося той самой системой, которая позволяет перекачивать средства заинтересованных инвесторов из одних областей экономики в другие, тем самым, развивая экономику страны.

Государство, однако, не дожно стоять в стороне от процессов инвестирования, и здесь, государству отводится роль организатора и регулятора системы сторонних инвестиций. Государственные структуры призваны выступать и в качестве структурообразующей силы, и в качестве регулирующих органов, прежде всего через механизмы законодательного регулирования.

Инфраструктура фондового рынка сложна и многообразна. Важной её составляющей является рынок ценных бумаг. На данном этапе рынок ценных бумаг в России в большой степени уже сформирован: есть и эмитенты ценных бумаг, многочисленные компании и предприятия, а также государство и муниципальные образования, есть и инвесторы, заинтересованные в наилучшем для себя размещении средств. Очевидным становится необходимость существования структур, которые позволяли бы с обоюдной выгодой для себя, безопасностью и удобством двум этим заинтересованным сторонам проводить операции с ценными бумагами. Здесь необходимо отметить и структуры, ведущие учет прав собственности на ценные бумаги и упрощающие процедуры перехода прав собственности при операциях с ними (реестродержатели, депозитарии и трансфер-агенты). Учитывая специфику рынка бумаг необходимо и наличие организаций, профессионально работающих на нём в качестве посредников (брокерские инвестиционные компании и банки). Важной составляющей рынка ценных бумаг является также и функционирование структур, непосредственно осуществляющих организацию торговли ценными бумагами (структуры биржевой и внебиржевой торговли).

Исторически сложилось, что, начиная с появления самих ценных бумаг, функцию организаторов торговли ценными бумагами всегда выпоняли биржи, а также близкие к ним по сущности специализированные внебиржевые организованные системы. Наша страна не стала исключением, и на данный момент в России уже сформировася и реально функционирует ряд торговых систем, подавляющая часть которых это биржи.

Актуальность темы* исследования. В условиях мирового финансового кризиса и увеличения требований к масштабам и темпам роста экономики для выхода из него, а также достижения прибыльности на российском рынке (в частности на рынке ценных бумаг) становятся актуальными вопросы планирования и принятия оперативных управленческих решений на основе прогнозирования.

Исследования обусловлены необходимостью развития нейросетевого прогнозирования волатильности курсов акций, как нового инструментального метода, позволяющего повысить точность предсказания и воспроизводить чрезвычайно сложные зависимости. Кроме того, нейронные сети справляются с проклятием размерности, которое не позволяет моделировать линейные зависимости в случае большого числа переменных, что обуславливается необходимостью использования на практике новых технологий. Существенными составными частями, которых являются нейронные сети и генетические агоритмы, позволяющие прогнозировать структуру неоднородных временных рядов.

Предсказание финансовых временных рядов - необходимый элемент любой инвестиционной деятельности. Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем - основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инвестиций, в том числе биржевых и небиржевых систем торговли ценными бумагами.

Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выпонение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм паралельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование высокопроизводительных инструментальных средств, основанных на аппарате модулярной арифметики.

Таким образом, в связи с тем, что в рамках классического подхода не удается получить существенного улучшения качества прогнозирования курсов акций на фондовом рынке, актуальным является совершенствование методик прогноза волатильности курсов акций, применение и адаптация инструментальных средств нейросетевого прогнозирования, что и явилось предметом нашего диссертационного исследования

Степень изученности проблемы. Большой вклад в развитие методологии прогнозирования внесли такие ученые, как Д. М. Гвишиани и В. А. Лисичкин. Некоторые авторы, например Э. Яныч, X. Тейль, А. Апполов и другие пытались классифицировать известные прогнозы.

Теоретические основы нейроматематики были заложены в 1943 году У. Маккалохом и У. Питтсом, которые сформулировали основные положения нейро-теории и разработали модель нейрона. Серьезное развитие нейрокибернетика получила в работах Ф. Розенблата, который в 1958 году он предложил свою модель нейронной сети. Новый виток быстрого развития моделей нейронных сетей связан с работами Амари, Андерсона, Карпентера, Кохена и особенно Хопфида, положившего начало современному математическому моделированию нейронных вычислений в 1982 году, в которых была сформулирована математическая, модель ассоциативной памяти на нейронной сети с использованием правила Хеббиана для программирования сети. Развитием модели Хопфида для решения комбинаторных оптимизационных задач и задач искусственного интелекта является машина Больцмана; предложенная и исследованная Джефери Е. Хинтоном и Р. Зе-мелом.

Среди отечественных ученых можно выделить Барцева С. И., Охонина В. А., Гольцева А. Д., Иванченко А. Г., Картавцева В. В., Куссуль В. М., Масалови-ча А. И., Минского М., Червякова Н.И. и др.

Существует потребность в дальнейшем изучении данной проблемы, необходимость совершенствования инструментария оценки прогнозных расчетов и разработки нового программного обеспечения, что обусловило выбор темы исследования, его объект, предмет, цель и задачи.

Соответствие темы диссертации требованиям паспорта специальностей ВАК. Диссертация выпонена в рамках специальности 08.00.13 Ч Математические и инструментальные методы экономики, в соответствии с паспортом специальности п. 2.1. Развитие теории, методологии и практики компьютерного эксперимента в социально-экономических исследованиях и задачах управления и п. 2.8. Развитие методов и средств аккумуляции знаний о развитии экономической системы и использование искусственного интелекта при выработке управленческих решений.

Объектом исследования явились закономерности формирования, трансформации и динамики курсов акций на фондовых рынках.

Предметом исследования выступили в совокупности фундаментальный и технический анализ, как инструмент для принятия управленческих решений на основе прогнозирования курсов акций.

Цель диссертационного исследования заключается в выявлении фундаментальных факторов, влияющих на цену акций, а также повышении эффективности, надежности и практичности методов прогнозирования в результате использования нейронных сетей, как мощного самообучающегося инструмента для принятия инвестиционного решения.

Основные задачи исследования.

- описать природу, различные стороны и аспекты технического и фундаментального анализа;

- изучить теоретические особенности фундаментального и технического анализа;

- проанализировать фундаментальные факторы, влияющие на цену акций;

- изучить разнообразие методов технического анализа;

- провести обзор методов прогнозирования, выявить их достоинства и недостатки;

- исследовать финансово-экономическую структуру рынка ценных бумаг;

- адаптировать инструментальные средства и программные агоритмы для прогнозирования волатильности курсов акций на фондовых рынках;

- определить, типы и структуры нейронных сетей, используемых для прогнозирования динамики курсов акций. Оценить точность и качество прогнозов;

- сделать сравнительную оценку качества прогнозирования классических методов и основанных на нейронных сетях.

Теоретико-методологическая основа исследования. Теоретической и методологической основой являются принципы научного познания, научные достижения, отражённые в публикациях отечественных и зарубежных учёных в области экономики, оценки и анализа управления рынком ценных бумаг, а также прогнозирования неоднородных финансовых временных рядов.

В работе использованы методы логического, статистического, сравнительного анализа. Кроме общетеоретических методов исследования, в работе, для построения экономико-математических моделей, использованы методы оценки прогнозных расчетов, сценарного моделирования, факторного и графического анализа.

Информационно-эмпирическая база исследования включает данные динамики курсов акций российских компаний на ММВБ (Московской межбанковской валютной бирже), РТС. Нормативно-правовую базу диссертации составили Указы Президента РФ, постановления Правительства РФ, законодательные и нормативные документы и положения ФСФР (Федеральной службы по финансовым рынкам), регулирующие сферу финансовой деятельности на фондовом рынке, информационные ресурсы INTERNET, оригинальные материалы автора.

Концептуальная логика исследования заключается в том, что у инвестора есть два инструмента прогнозирования рынка ценных бумаг: технический и фундаментальный анализ, которые в совокупности являются мощным инструментарием для принятия инвестиционного решения. Фундаментальный анализ позволяет прогнозировать, когда рынок или отдельная акция переоценена или недооценена, а технический анализ, в свою очередь, позволяет предсказать рост, падение отдельной акции или всего индекса, вне его связи с остальными инструментами. Однако современные финансовые рынки меняются очень быстро, и технический анализ уже не позволяет в поной мере охватить основные характеристики рынка, что порождает необходимость поиска других, более современных подходов к анализу финансового рынка, способны находить оптимальные для данного инструмента индикаторы и строить по ним эффективную стратегию предсказания.

Рабочая гипотеза диссертационного исследования базируется на системе следующих взаимоувязанных теоретических положений, согласно которым рынки ценных бумаг непрерывно развиваются и представляют собой не окончательно сформированные и застывшие структуры, а постоянно развивающиеся организмы. Существующие методы прогнозирования курсов акций в недостаточной степени учитывают их волатильность, что позволило применить нейросетевую методологию, в основе которой заложена теория нелинейных адаптивных систем и ней-ронно-модулярный аппарат для решения задач предсказания финансовых временных рядов. На основании этого автор выносит на защиту ряд положений диссертации.

Основные положения диссертации, выносимые на защиту.

1. В диссертации исследованы методы фундаментального и технического анализа экономических параметров рынка ценных бумаг. Выявлено, что фундаментальный анализ изучает движение цен на макроэкономическом уровне и может способствовать определению главного рыночного тренда, что зачастую бывает недостаточно. В этой области применяется технический анализ, основанный на следующей гипотезе Ч рыночные цены являются отражением желаний и действий всех участников рынка, в результате чего, цена и объем отражают каждую сдеку на рынке.

2. Суть противоречий между сторонниками технического и фундаментального анализа состоит в эффективности применения методов той или иной теории, что не совсем корректно, так как причины реакции рынка, изучаемые данными теориями, имеют разную природу и использование методов фундаментального анализа более целесообразно для определения догосрочной тенденции движения рынка и изучения внешних причин воздействия на него, а технического - для кратко и среднесрочных тенденций.

3. Для построения эффективной стратегии на финансовом рынке, необходимо учитывать его подчиненность определенным закономерностям. Если не известны статистические законы функционирования рынка, то невозможно получить достоверные прогнозы и, соответственно, заранее включать наиболее перспективные акции в инвестиционный портфель. Следовательно, необходимо разработать инструмент для получения достоверных прогнозов и использования их для выработки инвестиционных стратегий.

4. Использование нейронных сетей в прогнозировании требует большого объема математических расчетов, выпонение которых невозможно без эффективных способов организации и проведения вычислений. Анализ известных подходов, используемых при разработке высокоскоростных вычислительных средств, показал, что все они построены на применении тех или иных форм паралельной обработки данных. Поэтому для решения проблемы быстродействия и точности вычислений в нейронных сетях предлагается использование инструментальных средств, основанных на аппарате модулярной арифметики.

5. Применительно к области финансов на основе теории хаоса впервые был разработан принципиально новый подход к анализу рынка, отличный от портфельной теории, которая скомпрометировала себя в финансовом кризисе 2008 года. Данный подход базируется на положении о том, что рынок представляет собой сложную нелинейную систему с обратной связью, а характер группового взаимодействия участников рынка порождает хаотическую динамику цен вследствие спорадического использования инвесторами информационного потока и, как следствие, возникновение квазистохастических временных интервалов их действия на рынках.

Научная новизна исследования состоит в том, что были выявлены основные фундаментальные факторы, влияющие на цену акций и систематизированы методы технического анализа по критерию используемых индикаторов, а также усовершенствованна методика прогнозирования волатильности курсов акций на базе нейронных сетей и включает в себя следующие элементы приращения- научного знания:

- исследована практика работы профессиональных участников рынка, на базе чего адаптирована методика управления активами, основанная на строгой формализации процедур принятия инвестиционных решений. Существенными составными частями таких технологий являются нейронные сети, позволяющие прогнозировать поведение показателей финансовых рынков, как нелинейных динамических систем;

- предложена классификация методов прогнозирования для существенного улучшения качества прогнозирования и совершенствования методик прогноза курсов акций на фондовом рынке, сочетающая достоинства теории хаоса, нейронных сетей и модулярной арифметики;

- проведен анализ динамики курсов акций российских компаний, позволивший выявить факторы, влияющие на их волатильность и установить нецелесообразность применения процедуры перемешивания данных при обучении нейронных сетей;

- разработана и обучена многослойная нейронная сеть, входными данными для прогнозирования неоднородных временных рядов в которой, явились сигналы индикаторов технического анализа, что позволило повысить точность прогнозирования до 98%;

- выявлены недостатки нейросетевого прогнозирования, заключающиеся в невозможности оптимизации входного (обучающего и тестового) множества и архитектуры искусственной нейронной сети (ИНС), преодоление которых, позволило получить более точные прогнозы и готовые для практического применения финансовые стратегии;

- построена структурная модульная схема программного комплекса, использующего нейросетевые методы прогнозирования финансовых рынков. Технологическая цепочка предложенной системы состоит из: создания проекта (торговой системы, стратегии) и описания ее ключевых параметров - настраивания параметров модулей, связанных с процессом обучения нейроэкспертов и получения результатов - запуска процессов оптимизации торговой системы (проекта) - поиска оптимальной архитектуры нейронных сетей - генерирования сигналов-приказов на вход/выход (торговлю).

Теоретическая Х значимость исследования состоит в демонстрации необходимости пересмотра некоторых допущений, используемых в стандартных моделях зарубежной финансовой экономики при разработке технологий поддержки принятия решений по управлению портфелем ценных бумаг на нестабильных развивающихся финансовых рынках. Основные положения и выводы, содержащиеся в диссертации, могут быть использованы для дальнейшего развития методологии прогнозирования временных рядов в условиях резких изменений основных параметров внешней среды.

Практическая значимость исследования заключается в возможности применения выявленных фундаментальных факторов и методов аналитиками, непосредственно на российском рынке акций и состоит в том, что полученные результаты могут быть применены в процессе управления фондовыми портфелями операторов российского рынка. Целесообразность практического использования полученных решений подтверждена при помощи тестов, доказавших их эффективность, а в ряде случаев - превосходство над имеющимися аналогами.

Апробация работы. Основные положения диссертационного исследования докладывались и обсуждались на международных, всероссийских и межрегиональных научно-практических конференциях Проблемы развития мировых информационных ресурсов электронного бизнеса и инфотелекоммуникационных систем и технологий (Ставрополь, СГУ, 2006 г.), Информационные системы, технологии и модели управления производством (Ставрополь, СГАУ, 2007 г.), Ломоносов - 2007 (Москва, МГУ, 2007 г.), Устойчивое развитие региона в условиях экономической интеграции России в мировое хозяйство (Ставрополь, СГУ , 2007 г.), Экономика России в условиях глобализации и вступления в ВТО (Краснодар, 2007 г.). Проблемы управления экономикой в трансформируемом обществе (Пенза, 2007), Проблемы формирования и развития инновационного потенциала региона: опыт и перспективы (Ставрополь, СГУ, 2007 г.), Ломоносов - 2008 (Москва, МГУ, 2008 г.), Актуальные проблемы экономического развития Ставрополья (Ставрополь, СГУ, 2009 г.) и опубликованы в форме докладов и научных статей.

Диссертация: заключение по теме "Математические и инструментальные методы экономики", Борздов, Сергей Юрьевич

Основные результаты диссертационной работы состоят в следующем.

1. Обобщены и систематизированы модели прогнозирования. Проведен критический анализ агоритмов и методов прогнозирования, позволивший выявить ряд существенных ограничений и недостатков. Показано, что в рамках традиционных методов прогнозирования, значительных улучшений качества прогноза достигнуть очень сложно.

2. Разработана усовершенствованная методика анализа и прогнозирования временных рядов, используя преимущества методов прогнозирования на базе нейронных сетей, арифметики системы остаточных классов и теории хаоса.

3. Доказано, что рыночные временные ряды, несмотря на кажущуюся сто-хастичность, предсказуемы. Доказательством является теория динамического хаоса и проведенные вычислительные эксперименты, из которых сделаны следующие выводы: изучаемые временные ряды имеют лептоэксцессное распределение (распределение с тостыми хвостами); временные.ряды фондовошбиржи являются фрактальными;

4. Использование нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. С уверенностью можно полагать, что появление столь мощного и эффективного инструмента не перевернет финансовый рынок, и не лотменит традиционные математические и эконометрические методы технического анализа, или сделает ненужной работу высококлассных экспертов. В качестве нового эффективного средства для решения самых различных задач нейронные сети приходят и используются, теми людьми, которые их понимают, которые-в них нуждаются и которым они помогают решать многие профессиональные проблемы

5. В диссертации доказана целесообразность практического использования полученных решений подтверждена при помощи тестов, доказавших их эффективность, а в ряде случаев - превосходство над имеющимися аналогами. Предложенная структурная модульная схема программного комплекса, использующего нейросетевую технологию прогнозирования финансовых рынков, построена на базе автоматизированной информационной системе, генерирующей сигналы на торговлю акциями через интерфейс пользователя - посредством сообщений, аудио и видеоэффектов, через локальные сети и Интернет Ч посредством сервиса ICQ, передачи сообщения на мобильный телефон или передачи непосредственного приказа брокеру, рассчитана на частного инвестора и может использоваться на всех фондовых площадках мировой экономической системы.

ЗАКЛЮЧЕНИЕ

Диссертация: библиография по экономике, кандидат экономических наук , Борздов, Сергей Юрьевич, Ставрополь

1. Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования. //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002. С. 1089 - 1097.

2. Айвазян С.А., Мхитарян B.C. Практикум по прикладной статистике и эконометрике: Учебн. пособие. М.: МГУ Экономики и Информатики. 1998. -159с.

3. Акушский И.Я. Машинная арифметика в остаточных классах. М: Советское радио, 1968. - 440 с.

4. Алексеев В.И., Максимов A.B. Использование нейронных сетей с двухмерными слоями для распознавания образов//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение : Сб. докл., 2002. С. 69-72.

5. Амербаев В.М. Теоретические основы машинной арифметики. Ама-Ата: Наука КазССР, 1976. - 324 с.

6. Андерсон Т. Статистический анализ временных рядов. Ч М.: Наука,1976.

7. Аркин В. И, Евстигнеев И.В. Вероятностные модели управления экономической динамики. М.: Наука, 1979. - 176с.

8. Ашманов С.А. Математические модели и методы в экономике. М.: Изд. МГУ, 1981.-158 с.

9. Барский А.Б. Обучение нейросети методом трассировки //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение: Сб. докл., 2002.-С. 862-898.

10. Батищев Д.И. Генетические агоритмы решения экстремальных задач. -Воронеж: ВГУ, 1994. 135 с.

11. Белим C.B. Математическое моделирование квантового нейронам/Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение: Сб.докл., 2002. С. 899 - 900.

12. Берже П., Помо И., Видаль К. Порядок в хаосе. О детерминированном подходе к турбулентности: Пер. с франц. М.: Мир, 1991. - 368 с.

13. Бирман Э.Г. Сравнительный анализ методов прогнозирования //НТИ. Сер.2 -1986.-№1.-С. 11-16.

14. Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сети //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение: Сб. докл., 2002. С. 69-72.

15. Бокс Дж., Дженкинс Г. Анализ временных рядов прогнозирование и управление. Пер. с англ. А.Л.Левшина. М.: Мир, 1974. - 362 с.

16. Бон Б., Хуань К. Дж. Многомерные статистические методы для экономики. М.: Наука, 1979. 348 с.

17. Большее Л.Н., Смирнов Н.В. Таблицы математической статистики. -М.: Наука, 1965.-35 с.

18. Боярский А.Я., и др. Математическая статистика для экономистов. -М.: Статистика, 1979. -253 с.

19. Бурдо А.И., Тихонов Э.Е. К вопросу систематизации методов и агоритмов прогнозирования//Материалы межрегиональной конференции "Студенческая наука экономике научно-технического прогресса". Ставрополь: Сев-Кав ГТУ, 2001. - С. 33 - 34.

20. Бутенко A.A. и др. Обучение нейронной сети при помощи агоритма фильтра Камана. //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение : Сб. докл., 2002. С. 1120 - 1125.

21. Бухштаб A.A. Теория чисел. М.: Государственное учебно-методическое издательство мин. Просвящения РСФСР, 1960. - 375 с.

22. Бытачевский Е.А., Козуб В.В. Использование нейронных сетей для распознавания визуальных образов//Материалы IV РНТ конференции Вузовская наука Северо-Кавказскому региону Ставрополь, 2000. - С. 52-54.i f

23. Васильев В.И. Распознающие системы. Киев: Навукова думка, -1969. -354с.

24. Виноградов И.М. Основы теории чисел. М.: Издательство Наука, Гл. ред. физ.-мат.лит., 1965.- 173 с.

25. Владимирова Л.П. Прогнозирование и планирование в условиях рынка: Учебное пособие. М.: Издательский дом Дашков и К, 2000. - 308 с.

26. Вороновский Г.К., и др. Генетические агоритмы, нейронные сети и проблемы виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.

27. Галушкин А.И. Теория нейронных сетей. Кн. 1 : Учеб. Пособие для вузов. М.: ИПРЖР, 2001.-385 с.:ил.

28. Гвишиани Д.М., Лисичкин В.А. Прогностика. М., Знание, 1968. 421с.

29. Гельфан И.М., Фомин C.B. Вариационное исчисление. М.: Мир, 1961.-321с.

30. Гладыщевский А.И. Методы и модели отраслевого экономического прогнозирования. -М.: Экономика, 1997. 143 с.

31. Гласе Л., Мэки М. От часов к хаосу: ритмы жизни. М.: Мир, 1991.153с.

32. Глущенко В.В. Прогнозирование. 3-е издание. М.: Вузовская книга, 2000. -208с.

33. Голованова Н.Б., Кривов Ю.Г. Методические вопросы использования межотраслевого баланса в прогнозных расчетах//Взаимосвязи НТП и экономического развития: Сб.науч.тр./АН СССР. СО, ИЭиОПП. Новосибирск, 1987.-С. 62-77.

34. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4:Учеб.пособие для вузов/Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001.256 с.

35. Горбань А.Н.Обучение нейронных сетей.-М.:СП"ПараГраф", 1990.159с.

36. Горелик Е.С. и др. Об одном подходе к задаче формализации процесса прогнозирования //Автоматика и телемеханика. 1987. - №2. - С.129-136.

37. Гренандер У. Случайные процессы и статистические выводы, (пер. с нем.) ИЛ. 1961.-167с.

38. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. Пер.с англ. М.: Статистика., 1972. - 312 с.

39. Грень Е. Статистические игры и их применение. М.: Наука, 1975.

40. Гусак А.Н. и др. Подход к послойному обучению нейронной сети прямого распространения//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002. С. 931 - 933.

41. Давидович Б.Я. и др. Методы прогнозирования спроса. М., 1972. -193с.

42. Добров Г.М., Ершов Ю.В. и др. Экспертные оценки в научно-техническом прогнозировании Киев: Наукова Думка, 1974. - 159 с.

43. Еремин Д.М. Система управления с применением нейронных се-тей//Приборы и системы. Управление, контроль, диагностика. 2001. -№9 -С. 811.

44. Заенцев И.В. Нейронные сети: основные модели/Учебное пособие к курсу Нейронные сети Воронеж: ВГУ, 1999. - 76 с.

45. Зайкин B.C. Применение простых цепей Маркова для прогнозирования расходов населения/Шроблемы моделирования народного хозяйства, 4IV. Новосибирск, 1973. С. 45-41.

46. Занг В.Б. Синергитическая экономика. Время и перемены в нелинейной экономической теории. М.: Мир, 1999. - 216с.

47. Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г. С. 745 - 755.

48. Иванов М.Н. Анализ роста курса акций с применением нейронных сетей. //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г. С. 756 - 772.

49. Ивахненко А.Г. Догосрочное прогнозирование и управление сложными системами. Киев: Наукова думка, 1975. - 340 с.

50. Ивахненко А.Г., Лапа Р.Г., Предсказание случайных процессов. Киев: Наукова думка, 1971. - 416с.

51. Ивахненко А.Г., Степаненко B.C. Особенности применения метода группового учета аргументов в задачах прогнозирования случайных процес-сов//Автоматика. -1986. №5. - С. 3-14.

52. Ивахненко А.Г., Юрачков Ю.П. Моделирование сложных систем по экспертным данным. М.: Радио и связь, 1987. - 119 с.

53. Калан, Роберт. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом Вильяме, 2001.- 288 с.

54. Капица С. П., Курдюмов С. П., Малинецкий Г. Г. Синергетика и прогнозы будущего. М.: Наука, 1997. 236с.

55. Касти Дж. Связность, сложность и катастрофы: Пер. с англ. М.: Мир, 1982,-216 с.

56. Кейн Э. Экономическая статистика и эконометрия. М.: Наука, 1977, Вып. 1,2.

57. Кемени Дж., Снел Дж. Конечные цепи Маркова. М.: Наука, 1970.136 с.

58. Кендэл М. Временные ряды. Пер. с англ. Ю.П. Лукашина. М.: Финансы и статистика, 1979. - 198 с.

59. Кильдинов Г.С., Френкель A.A. Анализ временных рядов и прогнозирование. М. Статистика. 1973.

60. Клеопатров Д.И., Френкель A.A. Прогнозирование экономических показателей с помощью метода простого экспоненциального сглаживания. -Статистический анализ экономических временных рядов и прогнозирование. -М.: Наука, 1973.

61. Кобринский Н.Е., и др. Экономическая кибернетика: Учебник для студентов вузов и фак., обучающихся по спец. Экономическая кибернетика. -М.: Экономика, 1982. 408 с.

62. Комогоров А.Н. Об энтропии на единицу времени как метрическом инварианте автоморфизмов. ДАН СССР, 1959. Т. 124 - С.754-755

63. Кондратьев А.И. Теоретико-игровые распознающие агоритмы. М.: Наука, 1990.-272 с.

64. Кульбак С. Теория информации и статистика. М.:, Наука, 1967.408с.

65. Кучин Б.Л., Якушева Е.В. Управление развитием экономических систем: технический прогресс, устойчивость. Ч М.: Экономика, 1990. 156с.

66. Лащев А.Я., Глушич Д.В. Синтез агоритмов обучения нейронных сетей. //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г. С. 997 - 999.

67. Левин В.Л. Выпуклый анализ в пространстве измеримых функций и его применение в математике и экономике. М.: Наука, 1985.-352с.

68. Легостаева И.Л., Ширяев А.Н. Минимальные веса в задаче выделения тренда случайного процесса. Теория вероятностей и ее применение, 1971, -Т. XVI,--№2.

69. Лизер С. Эконометрические методы и задачи. М.: Статистика, 1971.-141с.

70. Лисичкин В.А. Теория и практика прогностики. М.: Наука, 1972.223с.

71. Литовченко Ц.Г. Нейрокомпьютер для обнаружения и распознавания сложных динамических образов//Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г. С. 69-72.

72. Лопатников Л.И. Экономико-математический словарь /АНССР. ЦЭМИ, -М.: Наука, 1987.-506с.

73. Лоскутов А.Ю., Михайлов A.C. Введение в синергетику: Учеб. Руководство. -М.: Наука, гл. ред. физ.-мат.лит., 1990.- 272 с.

74. Льюис К.Д. Методы прогнозирования экономических показате-лей./Пер. с англ. Демиденко Е.З. М.: Финансы и статистика, 1986 г. - 132 с.

75. Ляпунов A.M. Собр. соч. Т. 1,2. -М.:Изд-во АН СССР, 1954-1956.

76. Максимов В.А. Прогнозирование доходности инвестиций на фондовом рынке. Экономика и математические методы, 2001. Т. 37Ч№1. С. 37 - 46.

77. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики М.: Эдиториал УРСС, 2000.- 336с.

78. Математическая энциклопедия: Гл.ред. И.М. Виноградов, т.З Коо-Од М.: Советская энциклопедия, 1982. - 1184 с.

79. Махортых С.А., Сычев В.В. Агоритм вычисления размерности стохастического аттрактора и его применение к анализу электрофизиологических данных.- Пущино, 1998. 34с.

80. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ. ред. к.т.н, В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

81. Минский М., Пайперт С. Персептроньт. М.: Мир, 1971.

82. Михайлов Ю.Б. Агоритм выбора прогнозирующей зависимости, обеспечивающей наилучшую точность прогноза //Приборы и системы. Управление, контроль, диагностика., 2000. №12. - С. 11 - 19.

83. Моделирование функционирования развивающихся систем с изменяющейся структурой. Сб. науч. тр./АН УССР. Ин-т кибернетики им. В.М. Глуша-кова. Киев: 1989.-140 с.

84. Моришма М. Равновесие, устойчивость, рост. М.: Наука, 1972.314с.i

85. Морозова Т.Г., Пикулькин A.B., Тихонов В.Ф., и др. Прогнозироваs ' ние и планирование в условиях рынка. Учеб. Пособие для вузов. Под ред. Т.Г.

86. Морозовой, A.B. Пикулысина. М.: ЮНИТИ-ДАНА, 1999. - 318 с.ь >

87. Нейронные сети. STSTISTICA Neural Networks: Пер. с англ. М.: Горячая линия - Телеком. 2001. - 182 с.

88. Никайдо X. Выпуклые структуры и математическая экономика. М.: Мир. 1972. - 127с.

89. Новиков A.B., и др. Метод поиска экстремума функционала оптимизации для нейронной сети с поными последовательными связями //Труды VIII Всероссийской конференции Нейрокомпьютеры и их применение Сб.докл., 2002 г.-С. 1000 1006.

90. Оуэн Г. Теория игр. М.: Наука, 1971. - 359 с.

91. Песин Я.Б. Характеристические показатели Ляпунова и гладкая эр-годиче-ская теория. УМН, 1977.- Т.32. С.55-112.

92. Петере Э. Хаос и порядок на рынке капитала. М.: Мир, 2000.\- 333с.

93. Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. - 236 с.

94. Де Марк Т. Технический анализ новая наука. - М.: Диаграмма,1997.

95. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова). М.: МИФИ, 1998. 224 с.

96. Змиртович А.И. Интелектуальные информационные системы. -Мн.: НТООО ТетраСистемс, 1997. 368 с.97. , Лиховидов В.Н. Практический, курс распознавания образов. Владивосток, Изд-во ДВГУ, 1983.

97. Лиховидов В.Н., Сафин В.И. Технический анализ валютных рынков. Владивосток: Изд-во ДВГАЭУ, 1998. -200 с.

98. Меладзе В. Курс технического анализа М.: Серебряные нити, 1997.-272 с.

99. Наговицин А.Г., Иванов В.В. Валютный курс. Факторы. Динамика. Прогнозирование. М.: Инфра-М, 1995. - 176 с.

100. Пискулов Д.Ю. Теория и практика валютного дилинга = Foreign Exchange and Money Market Operations: Прикладное пособие. 3-е изд., испр. и доп. - М.: Диаграмма, 1998. - 256 с.

101. Сорос Дж. Ахимия финансов/ Пер. с англ. Аристова Т.С. М.: ИНФРА-М, 1999. - 416 с.

102. Уошем Т. Дж., Паррамоу К. Количественные методы в финансах: Учебное пособие для ВУЗов/ Пер. с англ. под редакцией М. Р. Ефимовой. М: Финансы, Юнити, 1999. - 527 с.

103. Эдер А. Как играть и выигрывать на бирже/ Пер. с англ. М. Воковой, А. Вокова. М.: Крон-Пресс, 1996. - 336 с.

104. Эрлих А. Технический анализ товарных и фондовых рынков: М.: Юнити, 1996.

105. Анил К. Джейн, Жианчанг Мао, Моиуддин К М. Введение в искусственные нейронные сети. Ссыка на домен более не работаетos/1997/04/index.htm.

106. Борисов Ю., Виталий К., Сорокин С. Нейросетевые методы обработки информации и средства их программно-аппаратной поддержки. -Ссыка на домен более не работаетos/1997/04/index.htm.

107. Власов A.M. Обзор российского рынка нейросетевых технологий. -Ссыка на домен более не работает~vlasov.

108. Галушкин А.И. Применения нейрокомпьютеров в финансовой деятельности: Ссыка на домен более не работает~neurnews/primer/finance.htm.

109. Галушкин А.И. Современные направления развития нейрокомпью-терных технологий в России. Ссыка на домен более не работаетos/1997/04/index.htm.

110. Гроссберг С. Внимательный мозг. -Ссыка на домен более не работаетos/1997/04/index.htm.

111. Дорогов А. Структурные модели и топологическое проектирование быстрых нейронных сетей. Ссыка на домен более не работает~stasson/fann.zip.

112. Емельянов-Ярославский Л.Б. Интелектуальная квазибиологическая система. Ссыка на домен более не работает~pvad/.

113. Короткий С. Введение в теорию нейронных сетей и программная реализация их основных конфигураций. Ссыка на домен более не работает~stasson/index.htm.

114. Короткий С. Нейронные сети: основные положения. -Ссыка на домен более не работает~stasson/nl .zip.

115. Короткий С. Нейронные сети: агоритм обратного распространения. Ссыка на домен более не работает~stasson/n2.zip.

116. Короткий С. Нейронные сети: обучение без учителя. -Ссыка на домен более не работает~stasson/n3 .zip.

117. Короткий С. Нейронные сети Хопфида и Хэмминга. -Ссыка на домен более не работает~stasson/n4.zip.

118. Кук А. Обзор условно-бесплатных и бесплатных программ для моделирования нейронных сетей. Ссыка на домен более не работаетalexkuck.

119. Малинин Д. Введение в нейросетевое моделирование. Программный пакет BrainMaker Pro 3.11.- Ссыка на домен более не работает~mdo/office/nnintro.htm.

120. Митья Перус Нейронные сети, квантовые системы и сознание. -Ссыка на домен более не работаетtribune/art97/perul.htm.

121. Назаренко М. Курс лекций. Теория и практика формальных нейронных сетей. Ссыка на домен более не работает~nazaren/unc/nn ru.html.

122. Пономарев С. Нейронные сети, лiNFUSED BYTES OnLine. -Ссыка на домен более не работаетib/tech/neural/index.htm.

123. Практикум применения пакета Brainmaker для прогнозирования на финансовых рынках/ Перевод и редакция Сергея Блинова. Ссыка на домен более не работает~mdo/office/bm fin.htm. .

124. Стариков А. Нейронные сети математический аппарат. -Ссыка на домен более не работаетtech/neural-4.htm.

125. Стариков А. Практическое применение нейронных сетей. -Ссыка на домен более не работаетtech/neural3.htm.

126. Степанов B.C. Фондовый рынок и нейросети: Использование ней-росетевых технологий (на базе пакета программ Brain Maker Pro) для анализа ситуации на российском фондовом рынке.http ://www.user. cityline.ru/~neurnews/univer/ stepanov.htm.

127. Струнков Т. Думал ли Гильберт о нейронных сетях? -Ссыка на домен более не работаетpapers.htm.

128. Шумский С.А. Избранные лекции по нейрокомпьютингу. -Ссыка на домен более не работаетdav/.

129. Шумский С.А. Нейросетевые агенты в Интернете. -Ссыка на домен более не работает2000/4/.

130. Шумский С.А. Обнаружение скрытых знаний, улучшение имеющихся знаний, дата-майнинг. Ссыка на домен более не работаетsom.htm.

131. Шумский С.А. Современный технический анализ: самоорганизующиеся карты Кохонена на фондовом рынке. www.com2com.ru~dav/practika2.htm.

132. BrainMaker Professional. User's Guide and Reference Manual, 4th Edition, California Scientific Software, Nevada City, July, 1993. Ссыка на домен более не работает.

133. Лукашевич В. Дискреционные методы торговли. Часть 1. Проблемы волатильности // Валютный спекулянт, 2003, № 9, с. 57-61.

134. Лукашевич В. Дискреционные методы торговли. Часть 2. Метод Гринспена// Валютный спекулянт, 2003, № 10, с. 60-63.

135. Джон Дж. Мэрфи Технический анализ фьючерсных рынков: теория и практика, Диаграмма, Москва, 2000 г.

136. Стивен Б. Акелис Технический анализ от А до Я, Диаграмма, Москва, 2000 г.

137. Р. Коби, Т. Мейерс Энциклопедия технических индикаторов рынка, Альпина, Москва, 2000 г.

138. И.Я. Лукасевич Анализ финансовых операций, Финансы, Москва, 1998 г.

139. А. Эрлих Технический анализ товарных и финансовых рынков, ИНФРА-М, Москва, 1996 г.

140. Ю. Жваколюк Внутридневная торговля на рынке ФОРЕКС, Питер, С-Петербург, 2000 г.

141. Я.М. Миркин Волатильность, журнал Рынок ценных бумаг №6 2001 г.

142. A.B. Захаров Экономические реформы и фондовый рынок, журнал Рынок ценных бумаг №3 2001 г.

143. А. Лобанов, П. Кирюхов, В. Миронов Особенности национального технического анализа, журнал Рынок ценных бумаг №4 1998 г.

144. Коттл С., Мюррей Р.Ф., Блок Ф.Е. Анализ ценных бумаг Грэма и Додда. -М.: Олимп Бизнес, 2000

145. Б.Б. Рубцов. Мировые фондовые рынки: современное состояние и закономерности развития. М: ФА 2000

146. Мэрфи Д. Дж. Технический анализ фьючерсных рынков М: Сокол, 1996

147. Эдер А. Как играть и выигрывать на бирже М.: Диаграмма,2001

148. Найман Э.Л. Малая энциклопедия трейдера К.: Вира-Р Альфа-Капитал, 1999

149. Даль В.И. токовый словарь живого великорусского языка, том I.-М.: Русский язык, 1981

150. Graham В., Dodd D. Security Analysis. The Classic 1934 Edition. -McGraw-Hill Companies, 1996

151. Thomsett M. Mastering Fundamental Analysis. 1998

152. Ritchie J. Fundamental Analysis: A Back-to-the-Basics Investment Guide to Selecting Quality Stocks. Irwin Professional Pub., 1996163. www.rcb.ru

153. Джон Дж. Мэрфи Технический анализ фьючерсных рынков: теория и практика. М.: Диаграмма, 2000 г.

154. Эрлих А. Технический анализ товарных и финансовых рынков. Ч М.: ИНФРА М, 1996 г.

155. Бердникова Т.Б. Рынок ценных бумаг и биржевое дело. М.: ИН-ФРА-М, 2002.

156. Бердникова Т.Б. Прогнозирование экономического и социального развития. Бегород, 1991.

157. Бердникова Т.Б. Рынок ценных бумаг. М.: ИНФРА-М, 2002

158. Бланк И. Финансовый рынок. Т.1 Киев, 2000

159. Lippmonn Richard P. Gold Ben Neuronet classifiers useful for speech recognition.// IEEE 1st. Conf. Neural Networks, San Diego, (Calif) , 1987 p. 417-425.

160. Montgomery, Douglas C. Forecasting and time series analysis./Douglas C. Montgomery, Lynwood A. Johnson, John S. Gard iner. 2nd ed. - ISBN 0-07-0428581.

161. Neural Computing.// London: IBE Technical Services, 1991.

162. Rosenblatt F. Principles of neurodynamics. Spartan., Washington, D. C.,1962.

Похожие диссертации